基于模糊神经网络算法的进口货物口岸检验检疫风险评估

曹永斌 张晓龙 安 鑫 刘伟姮 刘 慧

(1.首都机场出入境检验检疫局 北京 101300;2.北京林业大学)

1 前言

近年来,随着改革开放的不断深入,我国经济高速增长,对外贸易进出口量迅猛增加,尤其是原材料、能源和经济发展需求物质、设备的进口量大幅度上升。虽然国家出台了一系列的法律法规政策来保证进口货物的质量,但是还是存在一定数量的鱼目混珠和良莠不齐现象,这严重损害了国家和人民的利益,因此,保证进口货物检验检疫工作的高效性、科学性和准确性,意义重大[1]。

目前我国口岸检验检疫机构对进口货物实行检验检疫监管,都是针对不同种类货物,人工设定各种抽查比例,系统按设定的比例在货物中随机抽取,发出查验指令。该种方式并未引入风险管理的概念,只是对同种类的货物一视同仁,随机按比例查验,人为性大,存在一定的不合理因素。

2 Delphi法和模糊神经网络算法简介

2.1 Delphi法

Delphi法——专家调查法,以专家作为采集信息的对象,依靠专家的知识和经验,由专家对问题做出判断,从而得到科学的解决方案。具体流程如图 1所示。

2.2 模糊合成推理法

模糊推理是不确定性推理方法之一,其基础是模糊数学。它是一种以模糊判断为前提,运行模糊语言规则,推理出一个新的、近似的模糊判断结论的方法。

图 1 Delphi法流程图

模糊推理的关键表现是推理规则是否为模糊的。通常用到的模糊条件语句:

(1)“如 A则 B ”,“ IF A THEN B ”

(2)“如 A则 B否则 C ”,“ IF A THEN B ELSE C”

(3)“如 A且 B则 C”,“ IF A AND B THEN C”

2.3 神经网络

人工神经网络模型是以人脑结构为参考模型,试图通过简单计算单元的高速互连,来实现类似于人类在语言和图象处理等方面的行为。它以工程技术手段模拟人脑神经网络的结构与功能,即用大量的非线性并行处理器 (计算单元)来模拟人脑神经细胞间的突触行为。

目前,在人工神经网络的实际应用中,绝大部分的神经网络模型都采用 BP网络及其变化形式,它也是前向网络的核心部分,体现了人工神经网络的精华,拓扑结构如图 2所示。

图 2 BP网络结构拓扑图

3 进口货物风险查验系统的研究过程——算法原理说明

①本文旨在运用先进的数据挖掘技术,建立一套科学有效的进口货物风险查验系统的风险指标体系;②考虑到货物风险因子即具体货物的风险指标,例如报检单位诚信度、HS编码的安全等级等都是模糊概念,因此要利用模糊合成推理法对系统中风险因子进行处理;③风险因子与评判结果 (货物风险合格与否)是货物模型的输入与输出,它们之间存在着高度非线性映射,且无法用精确的数学模型表示出来,因此本研究利用神经网络建立风险模型,即利用神经网络模拟专家思维,对进口的一批货物进行风险评估。考虑到采集样本 (即历史样本数据)时,检验检疫结果只有“合格”、“不合格”,因此神经网络模型的输出 (即评价结果)由向量 (0,1)与 (1,0)表示。

检验检疫机构对口岸进口货物的监管范围很广,包括动植物及其产品、工业产品、食品、化妆品、木质包装等,而每一类货物在查验时侧重点不同,这也就决定了每一类货物都有各自的风险指标体系。本文以中国强制性认证 (3C)类货物的口岸监管为实例,重点讲述利用专家调查法、模糊合成推理法和 BP神经网络模型对进口 3C类货物进行风险评价的步骤。

4 进口 3C类货物的风险评价实例

4.1 建立 3C类货物的风险指标体系——Delphi法

进行 Delphi法问卷调查时,研究人员从某口岸检验检疫机构的货物查验部门、检务审单布控部门、通关业务管理部门等相关领域挑选专家 21名组成评价小组,选择的专家都具有丰富的经验,对货物风险具有很高的判定能力,能满足专家的权威性和代表性。

通过 SPSS16.0[2]对反馈的问卷进行数据统计分析,主要考虑如下几个指标,见表 1。

表 1 调查问卷统计分析指标

当变异系数 CV≥0.25,则专家们对该指标重要性程度评价有很大波动性,该指标不可取;Kendall系数通常要进行 T检验,并且当 T-test具有显著性,表示专家的协调性好,本轮专家的评价结果均可取。

表 2为 2轮调查问卷的指标体系。第 1轮调查问卷有 8个指标;第 2轮调查问卷根据 CV系数去掉了问题 6,添加了问题 9(货物的单件重量);最后再根据 CV系数去掉了问题 8和问题 9,得到最终的指标体系,见表 3。表 4为 2轮调查结果 SPSS指标分析表。

表 2 2轮调查问卷的指标体系

表 3 最终的指标体系

表 4 2轮调查结果 SPSS指标分析

根据指标因子,采集了该口岸检验检疫机构2011年 3月 1日到 2011年 3月 20日的入境货物报检信息及其查验结果作为样本。

4.2 样本数据的模糊归一化

因为采集的数据样本要作为后续 BP神经网络的输入,而神经网络输入的样本通常都是 (0,1)之间的数据,因此有必要对数据进行模糊归一化。

以报检单位诚信度为例,讲述一下风险因子的模糊归一化。取报检单位一段时间内的总批次和不合格比例作为模糊模型的 2个输入,报检诚信度为输出,利用 Matlab的模糊控制器建立起模糊模型,其步骤如下:

(2)对输入进行模糊化,隶属函数采用不对称梯形隶属函数,如图 3所示。

(3)由专家提取模糊规则,并将其输入模糊规则编辑器,如图 4所示。

(4)对输出等级进行解模糊化,隶属函数为梯形隶属函数。例如根据其中一条规则就是:当总批次多,不合格比例较低时,推理得到应该属于风险 B级,0.2-0.4,如图 5所示,最后结果为 0.355,正确。

图 3 模糊控制器

图 4 模糊规则编辑界面

图 5 模糊规则显示界面

4 .3 BP神经网络的建模以及仿真

BP神经网络建模的关键步骤包括系统建模、网络训练和网络测试[3],具体流程如图 6所示。

4.3.1 确定 BP神经网络结构

根据系统的输入输出特点确定了网络的输入层节点数为 6维,输出层节点数为 2维[4]。最佳隐含层节点数目采用了参考公式法 +经验尝试法,参考公式如下:

本研究中 L=1:15,然后设计一个隐含层数目可变的BP网络。对比不同隐含层节点数对应分类的均方误差 (如表 5),来确定出隐节点数。

“我们两个老的，边走边看吧。那四个孩子，能不能爬出一行和尚与司徒一一设下的迷宫一般的隧道，还是未定之天。就是由隧道里爬过去，进入了万花谷，凭他们四个新人，真的能将万花谷搅动起来？”

图 6 BP神经网络建模流程图

表 5 不同隐含层节点数对应的 BP神经网络分类均方误差

由表 5确定最终的网络结构为 6—11—2。

4.3.2 BP神经网络训练参数的选择

(1)初始权值和阈值的选择——为了使网络能够很快收敛,且避免陷入局部极小值,在网络初始化时,选择初始权重和阈值 (-1,1);

(2)训练函数选择了收敛速度较快的 Levenberg-Marquardt算法。

(3)隐层和输出层的传递函数分别选择“purelin”和“tansig”函数。误差比较见表 6。

表 6 不同传递函数对应分类误差

其中训练参数的选取这里不再赘述。

4.3.3 BP神经网络仿真测试

取 16组样本 (8组不合格和 8组合格)进行仿真,结果如下:

y1=sim(net,p_test)

error=0.1754

Columns 1 through 8

0.5956 0.0821 0.3672 0.3090 0.4554 0.6584 0.5403 0.4688

0.5161 1.1167 0.7682 0.8417 0.6849 0.4328 0.5766 0.6587

Columns 9 through 16

0.2653 0.2653 0.3514 0.2653 0.4554 0.2857 0.1436 0.1633

0.8967 0.8967 0.7942 0.8967 0.6849 0.8749 1.0409 1.0229

图 7 网络训练误差

综合分析网络训练误差 (图 7)可知,样本仿真分类的结果准确率 81.25%,均方误差为 0.1754。

5 总结

一批货物进出口,有的数量可以达到几十万件,而且查验的项目也比较多,所以查验率设定上的细微差别将会给检验检疫机构在分配查验人力、物力方面带来很大不同。实例证明利用模糊神经网络对进口货物进行风险分类可行,而且更能作为设定查验率的一个参考依据,给现场工作人员带来很多方便。另外,模糊神经网络不但能在查验货物风险等级分类中发挥较好的作用,在针对企业日常的风险评估、专项风险评估等领域中也有着非常广阔的应用空间。因此,利用模糊神经网络算法进行货物风险评估,将为进一步探究检验检疫查验率设定打下良好的基础[5]。

[1] 徐道文.海关对企业管理业务 [M].北京:中国海关出版社,2002.

[2] 陈绪海.多元统计分析在海关统计监测中的应用[J].科技经济市场,2008,6:10.

[3] 魏海坤.神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005.

[4] 卢金秋.人工神经网络在海关风险管理中的应用研究[J].计算机工程与应用,2006,27:208-211.

[5] 陶明,杨永康,刘国华,等.WTO与海关实务[M].上海:上海人民出版社,2002,124-125.